Artículo VoiceXML

Estándar VoiceXML
Víctor Álvarez García
victoralvarez@uniovi.es
Resumen
El W3C lidera desde Octubre de 1994 el desarrollo de la Web, siendo uno de
los objetivos básicos del consorcio promover la interoperabilidad entre las
distintas tecnologías que tienen cabida y forman Internet.
Una de estas tecnologías son las aplicaciones de voz o sistemas de diálogo,
para los cuales existen varias propuestas de estandarización entre las que
podemos encontrar VoiceXML[1], un lenguaje de etiquetas basado en XML
cuyas características e impacto actual y futuro son analizados en esta
ponencia.
La actual proliferación y perspectiva de incremento de los sistemas de
diálogo, remarcan la importancia de este estudio, que toma como partida la
especificación del W3C, analiza la aportación de VoiceXML[1] y finaliza con
la mención de algunas herramientas que incluyen este y otros estándares de
voz entre sus características.
Palabras clave
VoiceXML, sistemas de diálogo, estándares, W3C, VoIP, IVR, PBX, Asterisk
1
1 El estándar VoiceXML
VoiceXML[1] es el estándar propuesto por el W3C para la
implementación de sistemas de diálogo.
Siguiendo la definición de R.Lopez Cozar y R.Granell [I], “Los
sistemas de diálogo son programas informáticos que se diseñan
con la finalidad de emular a un ser humano en un diálogo oral
con otra persona”.
La utilización del estándar promueve la integración de estos
sistemas en los llamados 'sistemas basados en Web', así como
el aseguramiento de su portabilidad y la construcción de
herramientas que faciliten al usuario la definición de servicios de
diálogo.
Las estructuras de estos servicios se definen a partir de
entradas, que pueden consistir en gramáticas habladas o tonos
DTMF[2] (Dual-tone multi-frequency) y salidas en formato de
conversores texto-a-voz o grabaciones de audio.
La secuencia de interacción entre las entradas y las salidas se
definen en VoiceXML[1].
2
VoiceXML[1] es un lenguaje de etiquetas basado en XML que
permite describir servicios de voz con independencia de la
aplicación en la que corran. De esta manera no es necesario
conocer detalles específicos de una plataforma para entender el
funcionamiento del sistema de diálogo.
El lenguaje VoiceXML[1] describe la interacción hombremaquina a partir de los siguientes elementos:
•
Salida de texto-a-voz
•
Salida de audio grabado
•
Reconocimiento de entrada hablada
•
Reconocimiento de tonos DTMF[2]
•
Grabación de entrada hablada
•
Control de flujo de diálogo
•
Funciones de telefonía
desconexión, etc.).
(transferencia
de
llamada,
La descripción de un servicio básico de diálogo tendría el
siguiente aspecto:
<?xml version="1.0" encoding="UTF-8"?>
<vxml xmlns="http://www.w3.org/2001/vxml"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://www.w3.org/2001/vxml
http://www.w3.org/TR/voicexml20/vxml.xsd"
version="2.0">
<form>
<field name="book">
3
<prompt>Would you like to listen to Murakami, Bukowski or Asimov?</prompt>
<grammar src="book.grxml" type="application/srgs+xml"/>
</field>
<block>
<submit next="http://www.library.com/book2.asp"/>
</block>
</form>
</vxml>
Este ejemplo sencillo implementaría un servicio de libros leídos
donde el usuario ha de escoger entre escuchar un libro de
Haruki Murakami, Charles Bukowski o Isaac Asimov. El campo
field es un equivalente al campo tipo input del lenguaje HTML
sólo que en este caso la entrada es hablada en lugar de
tecleada. La gramática de entrada se definiría siguiendo el
estándar SRGS[3] (Speech Recognition Grammar Specification).
Si el sistema reconoce las palabras Murakami, Bukowski o
Asimov, reproduciría un archivo de sonido con la versión en
audio de un libro del autor.
La
aplicación
consistiría
en
interprete
de
documentos
VoiceXML[1] que interactúa con una plataforma de voz, que en
este caso puede ser un sistema de telefonía recogiendo las
instrucciones habladas de un usuario o alternativamente la
marcación por pulsos DTMF[2], como haría un sistema clásico
IVR[4] (Interactive Voice Response).
4
2 Ventajas e Inconvenientes de VoiceXML
VoiceXML[1] es una tecnología independiente de la plataforma.
Las herramientas construidas y adaptadas para soportar el
estándar comparten un formato de definición de sistemas de
diálogo que permite la portabilidad y transferencia de datos entre
aplicaciones heterogéneas. Además este tipo de herramientas
tienden a facilitar enormemente el trabajo del desarrollador, que
no necesita conocer los detalles de implementación del sistema
que está construyendo.
No obstante, el seguimiento del estándar produce también
inconvenientes.
VoiceXML[1] implementa funciones de telefonía, pero el conjunto
de funciones es demasiado reducido y su funcionalidad muy
limitada. Por ello los sistemas desarrollados con VoiceXML[1] no
consiguen alcanzar la complejidad necesaria para algunos flujos
de telefonía y operaciones de voz.
Como ejemplo de estas carencias se podría mencionar la
imposibilidad de seleccionar el punto de una grabación donde
queremos comenzar a reproducir el audio, pausarlo, rebobinarlo
etc. W3C tiene previsto incorporar esta y otras características a
la versión 3.0 de VoiceXML, cuyo primer borrador público está
previsto para finales del año 2007.
5
En lo referente a las carencias en servicios de telefonía, W3C
propone el estándar CCXML[5] (Call Control eXtensible Markup
Language), que se puede utilizar de manera conjunta con
VoiceXML[1] y que permite definir una lógica más compleja y
completa del flujo telefónico, incorporando elementos necesarios
como manejadores de eventos u objetos de conferencia.
Asimismo encontramos otros estándares del W3C a tener en
cuenta
en
la
construcción
de
una
herramienta
para
implementaciones de sistemas de diálogo como SRGS[3] o
SSML[6] (Speech Synthesis Markup Language).
Como vemos el W3C no sólo compensa los inconvenientes que
pueda presentar VoiceXML[1] mediante la propuesta del uso
conjunto de estándares sino que está en un proceso de
permanente diálogo con la comunidad de desarrolladores para
introducir ampliaciones y mejoras al estándar.
Entre las características más llamativas del futuro VoiceXML 3.0,
podemos mencionar la identificación de voz,
medidas
biométricas
para
asegurar
la
que utilizará
identidad
en
transacciones telefónicas y comunicaciones.
6
3 Voip y VoiceXML
VoiceXML[1] se utiliza en la creación de soluciones PBX (Private
Branch Exchange) e IVR[4] (Interactive Voice Response) entre
otras.
Aunque ya existen herramientas de desarrollo y soluciones
basadas en VoiceXML[1], se podría decir que la introducción de
estándares al mundo de la telefonía IP es aún parcial, pues si
bien es cierto que las grandes compañías participan en la
definición de los estándares y ofrecen herramientas que integran
VoiceXML[1] y CCXML[5] entre otros estándares, los productos
más tradicionales y los basados en código abierto, con mucho
peso en la industria de las telecomunicaciones, aún no ven
como algo prioritario adoptar los estándares propuestos por el
W3C.
Microsoft y Sun son dos compañías permanentemente
comprometidas en el desarrollo de herramientas que incorporan
estándares. En el caso de VoiceXML[1], Microsoft ofrece un
paquete software denominado Microsoft Speech Server[7], cuya
versión 2007 aparecerá integrada en el Microsoft Office
Communications Server 2007, que promueve la integración de
las aplicaciones de voz con las aplicaciones basadas en Web.
Por su parte Sun tiene una alianza con VoiceGenie, compañía
7
que dispone de su propia aplicación de telefonía denominada
VoiceGenie VoiceXML Gateway[8] y cuyos planteamientos
coinciden, al igual que el caso anterior, con las propuestas del
W3C. También podríamos mencionar el IBM WebSphere Voice
Toolkit[9] o los productos de la empresa Voxeo[10].
En el lado opuesto nos encontramos los sistemas propietarios
o de distribución libre utilizados por usuarios finales y empresas
de
telecomunicaciones
de
diversa
magnitud,
donde
la
rentabilidad del negocio compite de manera más violenta con la
adopción
de
estándares
y,
aunque
podemos
encontrar
integración con módulos interpretes de VoiceXML[1], estos no se
ven como una prioridad en evolución de la tecnología. Como
ejemplo claro de esto podemos mencionar Asterisk, el PBX de
libre distribución más utilizado del mundo, cuya integración con
VoiceXML[1] aún se reduce a un módulo de libre distribución,
voxy[12], cuya primera versión data de Septiembre de 2006 y
algunos pocos módulos comerciales o semi-comerciales entre
los que podemos mencionar VXIasterisk[13] de i6Net.
8
4 Conclusiones
VoiceXML[1],
utilizado
de
manera
conjunta
con
otros
estándares, proporciona una base sólida para la definición de
sistemas de voz. Las constantes revisiones y ampliaciones del
estándar aseguran su continuidad y progresiva incorporación en
las herramientas para la construcción de aplicaciones de voz.
El aumento de los sistemas de telefonía a través de Internet y
los progresos en los campos del reconocimiento de voz y las
herramientas digitales para la lectura así como la progresiva
incorporación de los estándares propuestos por el W3C, señalan
la gran importancia que sin duda VoiceXML[1] y el resto de
estándares de voz tendrán en un futuro muy próximo.
5 Bibliografía
•
[I] R. López-Cózar, R.Granell (2004). Sistemas de Diálogo Basado en
VoiceXML para Proporcionar Información de Viajes en Tren.
Revista: Procesamiento del Lenguaje Natural nº 33
9
6 Referencias Web
•
[1] Voice Extensible Markup Language (VoiceXML) Version 2.0 W3C Recommendation 16 March 2004
http://www.w3.org/TR/voicexml20/
•
[2] Dual-tone multi-frequency (DTMF)
Wikipedia
http://en.wikipedia.org/wiki/DTMF
•
[3] Speech Recognition Grammar Specification (SRGS)
Version 1.0 W3C Recommendation 16 March 2004
http://www.w3.org/TR/speech-grammar/
•
[4] Interactive Voice Response (IVR)
Wikipedia
http://en.wikipedia.org/wiki/Interactive_voice_response
•
[5] Call Control eXtensible Markup Language (CCXML)
Version 1.0 - W3C Working Draft 30 April 2004
http://www.w3.org/TR/2004/WD-ccxml-20040430/
•
[6] Speech Synthesis Markup Language (SSML)
Version 1.0 - W3C Recommendation 7 September 2004
http://www.w3.org/TR/speech-synthesis/
•
[7] Microsoft Speech Server
http://www.microsoft.com/speech/default.mspx
•
[8] VoiceGenie VoiceXML Gateway
http://developer.voicegenie.com/platforminfo_VoiceGenie.php?page=
vgtelserver
•
[9] IBM WebSphere Voice Toolkit http://www306.ibm.com/software/pervasive/voice_toolkit/"
•
[10] Voxeo http://www.voxeo.com
•
[11] Asterisk http://www.asterisk.org/
•
[12] Voxy http://sourceforge.net/projects/voxy
•
[13] VXIasterisk
http://products.i6net.com/index.php?tg=entry&idx=view&article=37
10